ببرسی کاهش ابعاد در شبکه های عصبی عمیق

Question

با سلام.من میخواستم موضوعی برای پایان نامه انتخاب کنم که تا حدودی جدید باشه.
میخواستم بدونم آیا استفاده از روشهای مختلف کاهش ابعاد تاثیری در عملکرد شبکه های عصبی عمیق ( بخصوص باور عمیق ) داره ؟ ( در تشخیص سرطان سینه )
با تشکر.

Comments

علاوه بر جوابی که گرفتید و صحیح هم هست. برای کاهش ابعاد از deep auto encoder ها میتونید استفاده کنید و نتایج بهتری بگیرید.

Answer 1

سلام.اگه میخواید برای تشخیص سرطان سینه از تصاویر پزشکی مثل تصاویر ماموگرافی استفاده‌کنید پیشنهاد میکنم بجای شبکه باورعمیق از شبکه کانولوشن عمیق استفاده‌کنید و این شبکه ها خودشون کاهش بعد انجام‌میدن و نیاز ب استفاده از تکنیک های کاهش بعد درکنار شبکه های کانولوشن عمیق نیست(باتوجه به عملکرد خوب این شبکه ها) و حتی خود این شبکه رومیتونید برای مرحله feature extraction استفاده کنید.
حتی تو‌گروه تلگرام، آقای پزشکی به یکی از دوستان پیشنهاد کردن که بخاطراینکه دیگه خیلی کم از شبکه باور عمیق استفاده میشه بجای اون از شبکه های جدیدی مث spatial transformer networks استفاده کنن.
شبکه باورعمیق برای گفتار خیلی بهتر از تصویر جواب میده و پیشنهاد میکنم برا پردازش تصاویرتون از شبکه های دیگه ای غیر از باورعمیق استفاده کنید.اما تصمیم نهایی با خودشماست.موفق باشید

Comments

سلام
درسته ولی استادمون گفتن اول روی همین دیتا ست تست کنین.
اگر لینک یا مستنداتی در  زمینه آموزش شبکه باور عمیق به صورت گام به گام و ساده موجود باشه بینهایت ممنون میشم .
با تشکر

---

داکیومنت تولباکس شبکه باور عمیق که توسط بچه های امیرکبیر این تولباکس ارائه شده رو مطالعه کنید.همچنین فیلم های آموزشی در اینترنت سرچ بزنید برای شبکه باور عمیق هست.
http://www.google.com/url?sa=t&source=web&cd=1&ved=0ahUKEwjos6rx0r3OAhUDsBQKHWqNC0EQFggbMAA&url=http%3A%2F%2Fceit.aut.ac.ir%2F~keyvanrad%2Fdownload%2FDeeBNet%2520Toolbox%2FDeeBNetPerDoc%2520v1.pdf&usg=AFQjCNFH9bCNbiDXZT4Er2Kq8igQa76FOw&sig2=KZuoYrj7knPySEeg1ga4ng

در ضمن با توجه به زیاد بودن تعداد ویژگی های این دادگان تون حتما کاهش بعد تاثیری خوبی روی دقت دسته بندی تون داره،فقط اول شبکه ها رو با همین ۳۰ ویژگی آموزش و تست کنید و سپس مراخل کاهش بعد اضافه کنید که نتیجه بهبود رو مشاهده کنید.
موفق باشید

---

سپاس فراوان.